CN108763266B - 一种基于图像特征提取的商标检索方法 - Google Patents
一种基于图像特征提取的商标检索方法 Download PDFInfo
- Publication number
- CN108763266B CN108763266B CN201810298663.4A CN201810298663A CN108763266B CN 108763266 B CN108763266 B CN 108763266B CN 201810298663 A CN201810298663 A CN 201810298663A CN 108763266 B CN108763266 B CN 108763266B
- Authority
- CN
- China
- Prior art keywords
- image
- trademark
- gradient
- histogram
- gradient direction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于图像特征提取的商标检索方法,包括:获取所有样本商标;对样本商标进行图像的分割;对样本商标的图像进行特征提取;根据提取的特征,针对样本商标的图像部分建立图像特征数据库;获取待测商标;按照与样本商标相同的步骤,对待测商标进行图像的分割以及特征提取;根据待测商标的图像特征,分别在图像特征数据库中进行相似度检索,获得相似度检索结果。在图像特征提取的步骤中采用改进的梯度方向直方图特征提取、合理设定多尺度滑窗的规格及滑动步长,可以明显提高特征鲁棒性,同时提高检索准确性。
Description
技术领域
本发明涉及一种基于图像特征提取的商标检索方法,属于信息检索技术领域。
背景技术
商标是公司、产品或服务的标志,与企业的商品质量、服务质量、经营管理融为一体,在工商业社会中起着非常重要的作用,是公司及其产品的一个重要属性,具有唯一性。为使商标得到合法的保护,必须向商标局正式注册。随着我国经济的发展和全球化进程的加快,商标数量逐年递增。防止重复注册或相似商标注册是商标管理的核心问题。为了保护注册商标的合法权益,打击仿冒盗用注册商标的违法行为,需要对待注册的商标进行检索,与已注册的商标进行比较,确定二者不相同或者不相近似,才具有注册资格。
商标的识别检索是信息检索领域的热点问题,在商标检索的特征提取步骤中,传统的方向量化方法过于严苛,导致梯度方向量化后的特征鲁棒性较差,对方向较为敏感。
发明内容
本发明的目的是提供一种基于图像特征提取的商标检索方法,在图像特征提取的步骤中采用改进的梯度方向直方图特征提取、多尺度滑窗的规格及滑动步长的合理设定,可以明显提高特征鲁棒性,同时提高检索准确性。
一种基于图像特征提取的商标检索方法,包括以下步骤:
一、获取所有样本商标;
二、对样本商标进行图像的分割;
三、对样本商标的图像进行特征提取;
四、根据提取的特征,针对样本商标的图像部分建立图像特征数据库;
五、获取待测商标;
六、按照与样本商标相同的步骤,对待测商标进行图像的分割以及特征提取;
七、根据待测商标的图像特征,分别在图像特征数据库中进行相似度检索,获得相似度检索结果。
所述的对样本商标的图像进行特征提取,具体为多尺度特征提取。
所述的多尺度特征提取,包括:梯度方向直方图特征提取;多尺度滑窗的规格及滑动步长的合理设定。
所述的多尺度特征提取,包括如下步骤:
(a)自定义多尺度滑窗的规格和滑动步长;
(b)按照步骤(a)定义的多尺度滑窗的大小,将每个滑动窗口以图像左上角为起点,按照滑动步长依次从左到右从上到下滑动,取得一系列局部窗口图像;
(c)对于步骤(b)中得到的每个局部窗口图像提取区域图像特征。
所述的梯度方向直方图特征提取具体为基于模糊量化方法的梯度方向直方图特征提取。
所述的基于模糊量化方法的梯度方向直方图特征提取,包括如下步骤:
①对于任一图像窗口,计算水平和垂直方向的梯度;
②量化梯度方向,得到梯度方向直方图;
③计算归一化梯度方向直方图。
所述的计算归一化梯度方向直方图,分为三种方法:
方法一:基于目标像素点总数的归一化方法。
方法二:基于区域面积参数的归一化方法。
方法三:基于目标像素点总数及区域面积参数二者结合的归一化方法。
本发明提供的基于图像特征提取的商标检索方法对图形特征的提取更加详尽,快速有效且识别率更高,克服了现有技术存在的识别结果误差较大的问题。
附图说明
图1:实施例1-5量化的梯度方向示意图。
具体实施方式
实施例1:
一种基于图像特征提取的商标检索方法,包括以下步骤:
一、获取所有样本商标;
二、对样本商标进行图像的分割;
基于连通域投影法:基于连通域投影的文字消除方法是将连通域分解所得到的子图像沿水平方向投影,然后按照投影的结果分层,确定图形所在的层且保留该层。
三、对样本商标的图像进行特征提取;
1.自定义多尺度滑窗的规格和滑动步长:设输入图像Iw×h,滑动窗口的多种尺度定义如表1.1(实验中,σ1=0.8,σ2=0.6,σ3=0.4),滑动步长参数μ(实验中μ取0.1,滑窗水平方向步长stepx=wμ,垂直方向步长stepy=hμ。
1.1多尺度滑动窗口大小表
2.按照上述定义的多尺度滑窗的大小,将每个滑动窗口以图像 Iw×h左上角为起点,按照滑动步长stepx、stepy依次从左到右从上到下滑动,取得一系列局部窗口图像(共计t个)集合R={Ri},i= 0,1,…,t.
3.对于2中得到的每个局部窗口图像Ri提取区域图像特征fi。
(1)特征一:基于模糊量化方法的梯度方向直方图特征。
①对于任一图像窗口Ri,计算水平和垂直方向的梯度。
计算方法:[Gh,Gv]=gradient(Ri),采用方向模板[-1,0,1],计算Ri中任一像素点(x,y)的水平梯度Gh(x,y)和垂直梯度Gv(x,y)。
则(x,y)点的方向角度θ=arctan(Gv/Gh),取值0~360度。
②量化梯度方向,得到梯度方向直方图。将①中得到的梯度方向根据说明书附图1示意的8方向进行量化,统计所有像素点的梯度方向得到梯度方向直方图。
我们提出一种模糊量化方法,将一个梯度方向量化至其相邻的两个bin中,即将一个方向用投影至相邻两个方向的分量表示,如某像素点(x,y)的梯度方向为θ(x,y),其相邻的两个Bin分别为θk、θk+1,则该梯度方向点量化至θk的分量为量化至θk+1的分量为将①中得到的梯度方向根据上述模糊量化方法进行量化,统计所有像素点的模糊梯度方向得到梯度方向直方图。
③计算归一化梯度方向直方图。
方法一:基于目标像素点总数的归一化方法。
直方图归一化之后按照各个区间梯度点均匀概率分布的原则计算量化区间(0,0.098),(0.098,0.134),(0.134,0.18),(0.18,0.24),(0.24,1),该量化区间的计算由当前样本集合进行统计计算实验得到。对落在这5个区间的数据进行编码分别为:0000,0001,0011,0111,1111.编码之后将各个bin的码字级联得到为一段长度为4×8=32位的二进制串即fi。
四、根据提取的特征,针对样本商标的图像部分建立图像特征数据库;
在针对样本商标的图像进行特征提取之后,根据所提取的特征,针对样本商标的图像建立图像特征数据库。
五、获取待测商标;
六、按照与样本商标相同的步骤,对待测商标进行图像的分割以及特征提取;
同步骤二、三。
七、根据待测商标的图像特征,分别在图像特征数据库中进行相似度检索,获得相似度检索结果。
可以根据实际情况的需要对商标的图像部分设置相似度阈值,在图像特征数据库中进行相似度检索。
实施例2:
一种基于图像特征提取的商标检索方法,包括以下步骤:
一、获取所有样本商标;
二、对样本商标进行图像的分割;
基于结构的子图抽取法:对于横向商标图像,首先计算图像的宽高比并判断是否大于给定的阈值,对宽高比较大的图像(大于阈值),确定该图像的结构,如果满足事先给定的结构,则保留相应的图像部分。对于纵向商标图像,可将商标图像逆时针旋转90度,然后按照横向商标图像的方法处理。
三、对样本商标的图像进行特征提取;
1.自定义多尺度滑窗的规格和滑动步长:设输入图像Iw×h,滑动窗口的多种尺度定义如表1.1(实验中,σ1=0.8,σ2=0.6,σ3=0.4),滑动步长参数μ(实验中μ取0.2),滑窗水平方向步长stepx=wμ,垂直方向步长stepy=hμ。
1.1多尺度滑动窗口大小表
2.按照上述定义的多尺度滑窗的大小,将每个滑动窗口以图像 Iw×h左上角为起点,按照滑动步长stepx、stepy依次从左到右从上到下滑动,取得一系列局部窗口图像(共计t个)集合R={Ri},i= 0,1,…,t.
3.对于2中得到的每个局部窗口图像Ri提取区域图像特征fi。
(1)特征一:基于模糊量化方法的梯度方向直方图特征。
①对于任一图像窗口Ri,计算水平和垂直方向的梯度。
计算方法:[Gh,Gv]=gradient(Ri),采用方向模板[-1,0,1],计算Ri中任一像素点(x,y)的水平梯度Gh(x,y)和垂直梯度Gv(x,y)。
则(x,y)点的方向角度θ=arctan(Gv/Gh),取值0~360度。
②量化梯度方向,得到梯度方向直方图。将①中得到的梯度方向根据说明书附图1示意的8方向进行量化,统计所有像素点的梯度方向得到梯度方向直方图。
我们提出一种模糊量化方法,将一个梯度方向量化至其相邻的两个bin中,即将一个方向用投影至相邻两个方向的分量表示,如某像素点(x,y)的梯度方向为θ(x,y),其相邻的两个Bin分别为θk、θk+1,则该梯度方向点量化至θk的分量为量化至θk+1的分量为将①中得到的梯度方向根据上述模糊量化方法进行量化,统计所有像素点的模糊梯度方向得到梯度方向直方图。
③计算归一化梯度方向直方图。
方法二:基于区域面积参数的归一化方法。
面积参数通过面积开方来计算将使特征具有相对较好的尺度一致性。基于面积参数的直方图归一化方法,既包含了特征窗口中边缘信息的丰富程度,又可反映各个梯度方向统计分布信息,单个bin的变化不会影响其他bin的值。缺点是各个bin之间的差异性可能缩小,对于边缘丰富的窗口,每个bin的取值相对较大,存在多个较大值;而对于边缘比较稀疏的窗口,每个bin的取值都较小,存在多个较小值。
直方图归一化之后按照各个区间梯度点均匀概率分布的原则计算量化区间(0,0.098),(0.098,0.134),(0.134,0.18),(0.18,0.24),(0.24,1),该量化区间的计算由当前样本集合进行统计计算实验得到。对落在这5个区间的数据进行编码分别为:0000,0001,0011,0111,1111.编码之后将各个bin的码字级联得到为一段长度为4×8=32位的二进制串即fi。
四、根据提取的特征,针对样本商标的图像部分建立图像特征数据库;
在针对样本商标的图像进行特征提取之后,根据所提取的特征,针对样本商标的图像建立图像特征数据库。
五、获取待测商标;
六、按照与样本商标相同的步骤,对待测商标进行图像的分割以及特征提取;
同步骤二、三。
七、根据待测商标的图像特征,分别在图像特征数据库中进行相似度检索,获得相似度检索结果。
可以根据实际情况的需要对商标的图像部分设置相似度阈值,在图像特征数据库中进行相似度检索。
实施例3:
一种基于图像特征提取的商标检索方法,包括以下步骤:
一、获取所有样本商标;
二、对样本商标进行图像的分割;
基于连通域投影法:基于连通域投影的文字消除方法是将连通域分解所得到的子图像沿水平方向投影,然后按照投影的结果分层,确定图形所在的层且保留该层。
三、对样本商标的图像进行特征提取;
1.自定义多尺度滑窗的规格和滑动步长:设输入图像Iw×h,滑动窗口的多种尺度定义如表1.1(实验中,σ1=0.8,σ2=0.6,σ3=0.4),滑动步长参数μ(实验中μ取0.2),滑窗水平方向步长stepx=wμ,垂直方向步长stepy=hμ。
1.1尺度滑动窗口大小表
2.按照上述定义的多尺度滑窗的大小,将每个滑动窗口以图像 Iw×h左上角为起点,按照滑动步长stepx、stepy依次从左到右从上到下滑动,取得一系列局部窗口图像(共计t个)集合R={Ri},i= 0,1,…,t.
3.对于2中得到的每个局部窗口图像Ri提取区域图像特征fi。
(1)特征一:基于模糊量化方法的梯度方向直方图特征。
①对于任一图像窗口Ri,计算水平和垂直方向的梯度。
计算方法:[Gh,Gv]=gradient(Ri),采用方向模板[-1,0,1],计算Ri中任一像素点(x,y)的水平梯度Gh(x,y)和垂直梯度Gv(x,y)。
则(x,y)点的方向角度θ=arctan(Gv/Gh),取值0~360度。
②量化梯度方向,得到梯度方向直方图。将①中得到的梯度方向根据说明书附图1示意的8方向进行量化,统计所有像素点的梯度方向得到梯度方向直方图。
我们提出一种模糊量化方法,将一个梯度方向量化至其相邻的两个bin中,即将一个方向用投影至相邻两个方向的分量表示,如某像素点(x,y)的梯度方向为θ(x,y),其相邻的两个Bin分别为θk、θk+1,则该梯度方向点量化至θk的分量为量化至θk+1的分量为将①中得到的梯度方向根据上述模糊量化方法进行量化,统计所有像素点的模糊梯度方向得到梯度方向直方图。
③计算归一化梯度方向直方图。
方法三:基于目标像素点总数及区域面积参数二者结合的归一化方法。
基于以上分析,将两种归一化方法相结合,既保证各个bin之间的相对独立性,又兼顾各个bin统计分布的差异性。
则结合二者的归一化直方图定义为:
0<w1,w2<1;w1+w2=1
其中α=0.125为8方向归一化直方图的均值。
直方图归一化之后按照各个区间梯度点均匀概率分布的原则计算量化区间(0,0.098),(0.098,0.134),(0.134,0.18),(0.18,0.24),(0.24,1),该量化区间的计算由当前样本集合进行统计计算实验得到。对落在这5个区间的数据进行编码分别为:0000,0001,0011,0111,1111.编码之后将各个bin的码字级联得到为一段长度为4×8=32位的二进制串即fi。
四、根据提取的特征,针对样本商标的图像部分建立图像特征数据库;
在针对样本商标的图像进行特征提取之后,根据所提取的特征,针对样本商标的图像建立图像特征数据库。
五、获取待测商标;
六、按照与样本商标相同的步骤,对待测商标进行图像的分割以及特征提取;
同步骤二、三。
七、根据待测商标的图像特征,分别在图像特征数据库中进行相似度检索,获得相似度检索结果。
可以根据实际情况的需要对商标的图像部分设置相似度阈值,在图像特征数据库中进行相似度检索。
实施例4:
一种基于图像特征提取的商标检索方法,包括以下步骤:
一、获取所有样本商标;
二、对样本商标进行图像的分割;
基于结构的子图抽取法:对于横向商标图像,首先计算图像的宽高比并判断是否大于给定的阈值,对宽高比较大的图像(大于阈值),确定该图像的结构,如果满足事先给定的结构,则保留相应的图像部分。对于纵向商标图像,可将商标图像逆时针旋转90度,然后按照横向商标图像的方法处理。
三、对样本商标的图像进行特征提取;
1.自定义多尺度滑窗的规格和滑动步长:设输入图像Iw×h,滑动窗口的多种尺度定义如表1.1(实验中,σ1=0.8,σ2=0.6,σ3=0.4),滑动步长参数μ(实验中μ取0.1),滑窗水平方向步长stepx=wμ,垂直方向步长stepy=hμ。
1.1多尺度滑动窗口大小表
2.按照上述定义的多尺度滑窗的大小,将每个滑动窗口以图像 Iw×h左上角为起点,按照滑动步长stepx、stepy依次从左到右从上到下滑动,取得一系列局部窗口图像(共计t个)集合R={Ri},i= 0,1,…,t.
3.对于2中得到的每个局部窗口图像Ri提取区域图像特征fi。
(1)特征一:基于模糊量化方法的梯度方向直方图特征。
①对于任一图像窗口Ri,计算水平和垂直方向的梯度。
计算方法:[Gh,Gv]=gradient(Ri),采用方向模板[-1,0,1],计算Ri中任一像素点(x,y)的水平梯度Gh(x,y)和垂直梯度Gv(x,y)。
则(x,y)点的方向角度θ=arctan(Gv/Gh),取值0~360度。
②量化梯度方向,得到梯度方向直方图。将①中得到的梯度方向根据说明书附图1示意的8方向进行量化,统计所有像素点的梯度方向得到梯度方向直方图。
我们提出一种模糊量化方法,将一个梯度方向量化至其相邻的两个bin中,即将一个方向用投影至相邻两个方向的分量表示,如某像素点(x,y)的梯度方向为θ(x,y),其相邻的两个Bin分别为θk、θk+1,则该梯度方向点量化至θk的分量为量化至θk+1的分量为将①中得到的梯度方向根据上述模糊量化方法进行量化,统计所有像素点的模糊梯度方向得到梯度方向直方图。
③计算归一化梯度方向直方图。
方法一:基于目标像素点总数的归一化方法。
直方图归一化之后按照各个区间梯度点均匀概率分布的原则计算量化区间(0,0.098),(0.098,0.134),(0.134,0.18),(0.18,0.24),(0.24,1),该量化区间的计算由当前样本集合进行统计计算实验得到。对落在这5个区间的数据进行编码分别为:0000,0001,0011,0111,1111.编码之后将各个bin的码字级联得到为一段长度为4×8=32位的二进制串即fi。
四、根据提取的特征,针对样本商标的图像部分建立图像特征数据库;
在针对样本商标的图像进行特征提取之后,根据所提取的特征,针对样本商标的图像建立图像特征数据库。
五、获取待测商标;
六、按照与样本商标相同的步骤,对待测商标进行图像的分割以及特征提取;
同步骤二、三。
七、根据待测商标的图像特征,分别在图像特征数据库中进行相似度检索,获得相似度检索结果。
可以根据实际情况的需要对商标的图像部分设置相似度阈值,在图像特征数据库中进行相似度检索。
实施例5:
一种基于图像特征提取的商标检索方法,包括以下步骤:
一、获取所有样本商标;
二、对样本商标进行图像的分割;
基于连通域投影法:基于连通域投影的文字消除方法是将连通域分解所得到的子图像沿水平方向投影,然后按照投影的结果分层,确定图形所在的层且保留该层。
三、对样本商标的图像进行特征提取;
1.自定义多尺度滑窗的规格和滑动步长:设输入图像Iw×h,滑动窗口的多种尺度定义如表1.1(实验中,σ1=0.8,σ2=0.6,σ3=0.4),滑动步长参数μ(实验中μ取0.2),滑窗水平方向步长stepx=wμ,垂直方向步长stepy=hμ。
1.1多尺度滑动窗口大小表
2.按照上述定义的多尺度滑窗的大小,将每个滑动窗口以图像 Iw×h左上角为起点,按照滑动步长stepx、stepy依次从左到右从上到下滑动,取得一系列局部窗口图像(共计t个)集合R={Ri},i= 0,1,…,t.
3.对于2中得到的每个局部窗口图像Ri提取区域图像特征fi。
(1)特征一:基于模糊量化方法的梯度方向直方图特征。
①对于任一图像窗口Ri,计算水平和垂直方向的梯度。
计算方法:[Gh,Gv]=gradient(Ri),采用方向模板[-1,0,1],计算Ri中任一像素点(x,y)的水平梯度Gh(x,y)和垂直梯度Gv(x,y)。
则(x,y)点的方向角度θ=arctan(Gv/Gh),取值0~360度。
②量化梯度方向,得到梯度方向直方图。将①中得到的梯度方向根据说明书附图1示意的8方向进行量化,统计所有像素点的梯度方向得到梯度方向直方图。
我们提出一种模糊量化方法,将一个梯度方向量化至其相邻的两个bin中,即将一个方向用投影至相邻两个方向的分量表示,如某像素点(x,y)的梯度方向为θ(x,y),其相邻的两个Bin分别为θk、θk+1,则该梯度方向点量化至θk的分量为量化至θk+1的分量为将①中得到的梯度方向根据上述模糊量化方法进行量化,统计所有像素点的模糊梯度方向得到梯度方向直方图。
③计算归一化梯度方向直方图。
方法二:基于区域面积参数的归一化方法。
面积参数通过面积开方来计算将使特征具有相对较好的尺度一致性。基于面积参数的直方图归一化方法,既包含了特征窗口中边缘信息的丰富程度,又可反映各个梯度方向统计分布信息,单个bin的变化不会影响其他bin的值。缺点是各个bin之间的差异性可能缩小,对于边缘丰富的窗口,每个bin的取值相对较大,存在多个较大值;而对于边缘比较稀疏的窗口,每个bin的取值都较小,存在多个较小值。
直方图归一化之后按照各个区间梯度点均匀概率分布的原则计算量化区间(0,0.098),(0.098,0.134),(0.134,0.18),(0.18,0.24),(0.24,1),该量化区间的计算由当前样本集合进行统计计算实验得到。对落在这5个区间的数据进行编码分别为:0000,0001,0011,0111,1111.编码之后将各个bin的码字级联得到为一段长度为4×8=32位的二进制串即fi。
四、根据提取的特征,针对样本商标的图像部分建立图像特征数据库;
在针对样本商标的图像进行特征提取之后,根据所提取的特征,针对样本商标的图像建立图像特征数据库。
五、获取待测商标;
六、按照与样本商标相同的步骤,对待测商标进行图像的分割以及特征提取;
同步骤二、三。
七、根据待测商标的图像特征,分别在图像特征数据库中进行相似度检索,获得相似度检索结果。
可以根据实际情况的需要对商标的图像部分设置相似度阈值,在图像特征数据库中进行相似度检索。
Claims (5)
1.一种基于图像特征提取的商标检索方法,其特征为:包括以下步骤:
一、获取所有样本商标;
二、对样本商标进行图像的分割;
三、对样本商标的图像进行特征提取;
四、根据提取的特征,针对样本商标的图像部分建立图像特征数据库;
五、获取待测商标;
六、按照与样本商标相同的步骤,对待测商标进行图像的分割以及特征提取;
七、根据待测商标的图像特征,分别在图像特征数据库中进行相似度检索,获得相似度检索结果;
所述的对样本商标的图像进行特征提取,包括多尺度特征提取;
所述的多尺度特征提取,包括:梯度方向直方图特征提取;
所述的梯度方向直方图特征提取具体为基于模糊量化方法的梯度方向直方图特征提取:
①对于任一图像窗口Ri,计算水平和垂直方向的梯度
计算方法:[Gh,Gv]=gradient(Ri),采用方向模板[-1,0,1],计算Ri中任一像素点(x,y)的水平梯度Gh(x,y)和垂直梯度Gv(x,y),
则(x,y)点的方向角度θ=arctan(Gv/Gh),取值0~360度;
②量化梯度方向,得到梯度方向直方图,将①中得到的梯度方向进行量化,统计所有像素点的梯度方向得到梯度方向直方图,
将一个梯度方向量化至其相邻的两个bin中,即将一个方向用投影至相邻两个方向的分量表示,如某像素点(x,y)的梯度方向为θ(x,y),其相邻的两个Bin分别为θk、θk+1,则该梯度方向点量化至θk的分量为量化至θk+1的分量为将①中得到的梯度方向根据上述模糊量化方法进行量化,统计所有像素点的模糊梯度方向得到梯度方向直方图,
③计算归一化梯度方向直方图
基于目标像素点总数的归一化方法:
④直方图特征编码
2.如权利要求1所述的一种基于图像特征提取的商标检索方法,其特征为:所述的多尺度特征提取,包括:采用多尺度滑窗分割图像,并设定滑窗的规格及滑动步长。
3.如权利要求2所述的一种基于图像特征提取的商标检索方法,其特征为:所述的多尺度特征提取,包括如下步骤:
(a)自定义多尺度滑窗的规格和滑动步长;
(b)按照步骤(a)定义的多尺度滑窗的大小,将每个滑动窗口以图像左上角为起点,按照滑动步长依次从左到右从上到下滑动,取得一系列局部窗口图像;
(c)对于步骤(b)中得到的每个局部窗口图像提取区域图像特征。
4.如权利要求1所述的一种基于图像特征提取的商标检索方法,其特征为:所述的计算归一化梯度方向直方图,具体为基于区域面积参数的归一化方法。
5.如权利要求1所述的一种基于图像特征提取的商标检索方法,其特征为:所述的计算归一化梯度方向直方图,具体为基于目标像素点总数及区域面积参数二者结合的归一化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810298663.4A CN108763266B (zh) | 2018-04-03 | 2018-04-03 | 一种基于图像特征提取的商标检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810298663.4A CN108763266B (zh) | 2018-04-03 | 2018-04-03 | 一种基于图像特征提取的商标检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108763266A CN108763266A (zh) | 2018-11-06 |
CN108763266B true CN108763266B (zh) | 2022-04-29 |
Family
ID=63981346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810298663.4A Active CN108763266B (zh) | 2018-04-03 | 2018-04-03 | 一种基于图像特征提取的商标检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108763266B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472723A (zh) * | 2018-08-30 | 2019-03-15 | 广州企图腾科技有限公司 | 一种基于结构分析的商标预警方法及装置 |
CN112256910A (zh) * | 2020-10-23 | 2021-01-22 | 蓝普金睛(北京)科技有限公司 | 基于内容的商铺标识图像检索方法 |
CN116150417B (zh) * | 2023-04-19 | 2023-08-04 | 上海维智卓新信息科技有限公司 | 一种多尺度多融合的图像检索方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902976A (zh) * | 2014-03-31 | 2014-07-02 | 浙江大学 | 一种基于红外图像的行人检测方法 |
CN104462381A (zh) * | 2014-12-11 | 2015-03-25 | 北京中细软移动互联科技有限公司 | 商标图像检索方法 |
CN104462380A (zh) * | 2014-12-11 | 2015-03-25 | 北京中细软移动互联科技有限公司 | 商标检索方法 |
CN105139023A (zh) * | 2015-07-24 | 2015-12-09 | 福州大学 | 一种基于多尺度特征融合和极限学习机的种子识别方法 |
CN105426530A (zh) * | 2015-12-15 | 2016-03-23 | 徐庆 | 一种商标检索方法、装置和系统 |
CN105574063A (zh) * | 2015-08-24 | 2016-05-11 | 西安电子科技大学 | 基于视觉显著性的图像检索方法 |
CN106157308A (zh) * | 2016-06-30 | 2016-11-23 | 北京大学 | 矩形目标物检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003301737A1 (en) * | 2002-10-31 | 2004-05-25 | Electronics And Telecommunications Research Institute | Non-linear quantization and similarity matching methods for retrieving video sequence having a set of image frames |
CN102422319B (zh) * | 2009-03-04 | 2014-04-30 | 公立大学法人大阪府立大学 | 图像检索方法和图像存储方法 |
US8280196B2 (en) * | 2009-05-12 | 2012-10-02 | Canon Kabushiki Kaisha | Image retrieval apparatus, control method for the same, and storage medium |
-
2018
- 2018-04-03 CN CN201810298663.4A patent/CN108763266B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902976A (zh) * | 2014-03-31 | 2014-07-02 | 浙江大学 | 一种基于红外图像的行人检测方法 |
CN104462381A (zh) * | 2014-12-11 | 2015-03-25 | 北京中细软移动互联科技有限公司 | 商标图像检索方法 |
CN104462380A (zh) * | 2014-12-11 | 2015-03-25 | 北京中细软移动互联科技有限公司 | 商标检索方法 |
CN105139023A (zh) * | 2015-07-24 | 2015-12-09 | 福州大学 | 一种基于多尺度特征融合和极限学习机的种子识别方法 |
CN105574063A (zh) * | 2015-08-24 | 2016-05-11 | 西安电子科技大学 | 基于视觉显著性的图像检索方法 |
CN105426530A (zh) * | 2015-12-15 | 2016-03-23 | 徐庆 | 一种商标检索方法、装置和系统 |
CN106157308A (zh) * | 2016-06-30 | 2016-11-23 | 北京大学 | 矩形目标物检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108763266A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103810505B (zh) | 基于多层描述子的车辆标识方法与系统 | |
US9384409B1 (en) | Word segmentation for document image using recursive segmentation | |
CN108830279B (zh) | 一种图像特征提取与匹配方法 | |
CN108763266B (zh) | 一种基于图像特征提取的商标检索方法 | |
Wahlberg et al. | Large scale style based dating of medieval manuscripts | |
JP2005141758A5 (zh) | ||
Chen et al. | Shadow-based Building Detection and Segmentation in High-resolution Remote Sensing Image. | |
CN109409384A (zh) | 基于细粒度图像的图像识别方法、装置、介质及设备 | |
CN107424166B (zh) | 点云分割方法及装置 | |
Xu et al. | Weakly supervised deep semantic segmentation using CNN and ELM with semantic candidate regions | |
CN108335290B (zh) | 一种基于liop特征与块匹配的图像区域复制篡改检测方法 | |
CN104850822A (zh) | 基于多特征融合的简单背景下的叶片识别方法 | |
Das et al. | A robust method for detecting copy-move image forgery using stationary wavelet transform and scale invariant feature transform | |
CN103839074A (zh) | 一种基于素描线段信息和空间金字塔匹配的图像分类方法 | |
CN105469099B (zh) | 基于稀疏表示分类的路面裂缝检测和识别方法 | |
CN110599478A (zh) | 一种图像区域复制粘贴篡改检测方法 | |
CN114359632A (zh) | 一种基于改进PointNet++神经网络的点云目标分类方法 | |
CN108763265B (zh) | 一种基于分块检索的图像识别方法 | |
Rajithkumar et al. | Template matching method for recognition of stone inscripted Kannada characters of different time frames based on correlation analysis | |
CN107092875B (zh) | 一种新的场景识别方法 | |
CN108898607B (zh) | 一种图像多尺度特征提取方法 | |
Das et al. | Binarization of stone inscripted documents | |
Hou et al. | A multiple features video copy detection algorithm based on a SURF descriptor | |
Gaceb et al. | A new mixed binarization method used in a real time application of automatic business document and postal mail sorting. | |
Böschen et al. | Formalization and preliminary evaluation of a pipeline for text extraction from infographics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |